FUSIÓ DE IMÁGE ES MULTIESPECTRALES MEDIA TE
Transcripción
FUSIÓ DE IMÁGE ES MULTIESPECTRALES MEDIA TE
Teledetección y Desarrollo Regional. X Congreso de Teledetección. Cáceres, España, 2003. pp. 353-356. Coordinadores: Rosa Pérez Utrero y Pablo Martínez Cobo. FUSIÓ DE IMÁGEES MULTIESPECTRALES MEDIATE ALGORITMOS GEÉTICOS M. Lillo(✸), C. Gonzalo(✸✸), A. Arquero(✸✸) y E. Martinez(✸✸) [email protected] (✸ ) Universidad de Concepción, Facultad de Ingeniería Agrícola. Departamento de Mecanización y Energía, CHILE (✸✸ ) Universidad Politécnica de Madrid, Facultad de Informática, D.A.T.S.I, ESPAÑA RESUMEN En este trabajo se propone el uso de Algoritmos Genéticos (AG) como método de optimización del Modelo de Mezcla Lineal (MML), con el objeto de fusionar imágenes multiespectrales que conserven las mejores características espaciales y espectrales de las imágenes fuentes. El algoritmo propuesto ha sido evaluado con datos obtenidos de imágenes registradas por los sensores ETM+ y Pancromático del satélite Landsat 7. Para este estudio la imagen de alta resolución espacial (IARE), corresponden a la del sensor pancromático, con una resolución espacial de 15m y la de baja resolución (IBRE) corresponde a las bandas espectrales TM1, TM2, TM3, TM4, TM5 y TM7, con una resolución espacial de 30m. Como resultado, se han obtenido imágenes con una resolución espectral de 6 bandas y una resolución espacial de 15m. ABSTRACT In this paper the use of Genetic Algorithm (GA) is proposed as a optimization methods of Linear Mixture Model (LMM), with the object of fusing multispectral images that conserve the best space and spectral characteristics of the images sources. The algorithm proposed has being evaluated for images registered by the Landsat 7 ETM+ sensor. In this study, the high spatial resolution image (HSRI) corresponds to the panchromatic image of this sensor, with a spatial resolution of 15m and the low spatial resolution image (LSRI) corresponds to the spectral bands TM1, TM2, TM3, TM4, TM5 and TM7, with a spatial resolution of 30m. As a result, it has been obtained images with a spectral resolution of the 6 bands and a spatial resolution of 15m. PALABRAS CLAVE: fusión de imágenes, algoritmos genéticos, modelo de mezcla lineal. ITRODUCTIO Son muchas las aplicaciones de la teledetección en las que se requiere disponer de imágenes de satélite que presenten simultáneamente alta resolución espacial y espectral, con objeto de definir clases temáticas y espectrales capaces de caracterizar adecuadamente las superficies bajo estudio. Sin embargo, los sensores de satélites de uso masivo (Landsat TM, AVHHR, ASTER, etc...) solamente proveen una de estas características siendo la otra excluyente. Si bien es cierto que en la actualidad existen algunos satélites como Quickbird o IKONOS, que entregan imágenes de alta resolución espacial y espectral, los costes de adquisición de estas imágenes son altos. Una forma de disponer imágenes de alta resolución espacial y espectral, a costes accesibles, es mediante las técnicas de fusión de imágenes. El objetivo principal de este trabajo es desarrollar un algoritmo capaz de fusionar una imagen multiespectral con una imagen pancromática, el procedimiento está basado en la optimización del Modelo de Mezcla Lineal (MML) (Lillo, 2002) mediante Algoritmos Genéticos (AG). Así el número digital (ND) asociado a cada pixel de cada banda de la imagen de baja resolución espacial (imagen fuente), es expresado como una combinación lineal de los ND correspondientes a los pixeles resultantes de la imagen fusionada para cada banda espectral. DESCRIPCIÓ DE LA METODOLOGÍA Modelo El modelo propuesto está, conceptualmente basado en (Lillo, 2002). Este modelo requiere que las imágenes (IBRE e IARE) estén geométricamente referenciadas. También es necesario realizar una clasificación de la ( IA R Se ns o Banda N rB Se ns o rA E) ( IB R E) IARE para determinar la proporción de las diferentes clases temáticas contenidas en cada pixel de la IBRE (figura 1). Esta clasificación puede ser supervisada o no supervisada, dependiendo del conocimiento que se tenga de la zona baja estudio. Banda 1 Proceso de Clasificación Obtención de la proporción de cada clase c/r a cada pixel de IBRE MML Matriz conceptual de clases Solución mediante AG Imagen Fusionada Figura 1. Algoritmo de Fusión La ecuación (1) propone las relaciones espaciales existentes entre los pixeles de alta resolución con respecto a los de baja resolución, para dos imágenes que tengan un origen común en el extremo superior izquierdo (Price, 1999). k = m(i − 1) + 1 (1) Siendo (i,j) la posición del pixel IBRE y (k,l) la posición del pixel en la IARE. El término m corresponde a la razón entre el valor de resolución espacial de la IBRE y de la IARE (figura2). l = m( j − 1) + 1 d/2 d d/2 d (k,l) (k+1,l) (k,l+1) (k+1,l+1) (i,j) IBRE IARE Nclass NDiIBRE = k ⋅ NDki ( IARE) (2) k =1 donde: NDiIBRE : ND de la IBRE para la i-ésima banda. : Vector de proporción para la kCk ésima clase. : ND a ser determinado para la NDki ( IARE) imagen fusionada. : Número de clases definidas en la Nclass imagen IARE. Es preciso hacer notar que el sistema lineal de ecuaciones planteado en la ecuación(2) está formado por i (índice de la banda espectral) ecuaciones y sin embargo incluye (Nclass x i) incógnitas por lo que el sistema de ecuaciones resultante tiene infinitas soluciones. Optimización del MML mediante AG Los AG son procedimientos de búsqueda, de propósito general. Un AG trabaja modificando repetidamente una población compuesta por estructuras artificiales a través de la aplicación de operadores genéticos: selección, crossover y mutación (figura 3). El primer paso para utilizar correctamente un AG, es definir una estructura adecuada para poder representar el espacio de soluciones. Una instancia de esta estructura de datos representa un estado o punto dentro de dicho espacio. La estructura básica de un GA consiste en uno o más cromosomas, que corresponden a una cadena de bits. Cada cromosoma constituye una concatenación de un número de subcomponentes llamados genes. Para encontrar una solución optima mediante AG se debe definir una medida que asigne un índice de calidad a cada instancia dentro del espacio de búsqueda. A esta medida se le denomina: la función fitness, que usualmente corresponde a la función objetivo a optimizar. Figura 2. Relación entre IBRE y sus correspondencias espaciales en IARE. Selección Población Se establece una relación porcentual, entre la etiqueta de la clase temática asociada a cada uno de los m2 pixeles de alta resolución (IARE) correspondientes a un pixel de baja resolución (IBRE), y el total de clases existentes en los m2 pixeles. Por medio de la ecuación(2) se obtienen los ND correspondientes a la imagen fusionada: ∑C Elite Substitución Aux. Population Cross. y Mutación Hijos Figura 3. Estructura básica de un AG con Elitismo Un AG genera aleatoriamente una población inicial. En cada generación, se eligen los dos mejores k ⋅ NDki ( IARE ) (4) Cromosoma Gen Banda i Gen Banda i Gen Banda2 Gen Banda1 Cromosoma Gen Banda2 Gen Banda1 Banda2 Banda i Banda i ∑C Banda2 Nclass Fitness = NDiIBRE − Banda1 La función de fitness utilizada en este trabajo corresponde al MML: Hijos Banda1 (3) j =1 Hijo X' f (i ) n ∑ f ( j) Crossover Padre Y HijoY' 1 = ps (i ) Padre X HijoX'=PadreX*p+PadreY*(1-p) HijoY'=PadreX*(1-p)+PadreY*p individuos de la población para formar parte de la elite que pasará directamente a la siguiente generación, esta estructura de AG se denomina elitista. El AG asigna a cada estructura individual i, en la población, una probabilidad de selección, 1/ps(i), de acuerdo a la razón entre el i-ésimo fitness y el fitness total acumulado de la población asocia, según la ecuación (3): k =1 A continuación son seleccionados un total de n individuos para el posterior procesamiento genético de acuerdo a la distribución definida por 1/ps(i). La selección de los padres para el operador genético de crossover, se realiza mediante el criterio de Roulette Wheel Selection (Rothlauf, 2002). Los n individuos elegidos son emparejados de manera aleatoria, generándose n/2 parejas a las que se le aplica este operador. Existen varios tipos de crossover en AG, en este trabajo se utilizará uno de tipo decimal, que consiste en realizar un promedio ponderado de cada gen de los individuos que hacen las veces de padres, generando así dos nuevos elementos, como muestra la ecuación (5): X' = pX + (1 − p )Y Y' = (1 − p ) X + pY (5) donde X e Y son los elementos seleccionados para el procedimientos de crossover, p es una función de probabilidad con distribución uniforme, con valores entre 0 y 1, y X’ e Y’ son los elementos obtenidos de la aplicación del operador genético crossover. La figura 4 muestra, gráficamente, la aplicación del operador crossover para un pixel (i,j) de la IBRE. El operador mutación es el encargado de la introducción de nuevos cambios en la población, que no son dados por la información obtenida en el procedimiento de crossover. Este procedimiento altera aleatoriamente uno o más elementos de la descendencia, forzando de esta manera la introducción de nuevos elementos en la población. La mutación debe ser usada en una baja probabilidad, típicamente de orden de 0.001, para evitar evoluciones aleatorias de la población. Figura 4. Criterio de Crossover Decimal para el pixel (i,j) de la IBRE De esta forma queda definida una nueva generación compuesta por los dos mejores individuos de la generación anterior (elite) más los individuos creados mediante los procedimientos de crossover y mutación. La naturaleza heurística de los AG, impone la necesidad de promediar los resultados obtenidos en diferentes ejecuciones del proceso, para evitar la variabilidad de los resultados obtenidos. RESULTADOS Los datos utilizados para la evaluación del algoritmo propuesto, fueron dos escenas 570x570 m2 ubicadas en la comunidad de Madrid. La imagen fue registrada por los sensor Thematic Mapper ETM+ y Panchromatic del satélite Landsat 7 en Agosto 20 de 1999. Para la fusión de las imágenes, se definió un cromosoma de 6 genes, compuestos por los ND de las bandas espectrales de la IBRE. La generación de la población inicial se realizó utilizando una distribución de probabilidad de tipo Normal, en que la media y desviación standard, son las obtenidas del procedimiento de clasificación aplicado a la IBRE. (Lillo, 2002). El tamaño de la población se especificó en 35 elementos, basado en un criterio de calidad de la solución versus coste computacional. El número de generaciones considerado fue limitado por un criterio de convergencia de la F.O., mostrado en la ecuación (6): Nclass ( NDiIBRE − ∑C k =1 k ⋅ NDki ( IARE ) ) ≤ error (6) Imagen Fusionada Banda 7 Banda 5 Banda 4 Banda 3 Banda 2 Banda 1 Imagen LandSat ETM+ Figure 5 Bandas de una escenas Landsat ETM+ y sus correspondientes imágenes fusionadas. La tabla 1 muestra los valores de correlación existentes entre las bandas de la imagen fusionada e IBRE. Tabla 1 Cuadro sinóptico de valores de correlación IBRE La figura 5 muestra las escenas originales para las bandas 1, 2, 3, 4, 5, 7 del sensor TM+ y las imágenes resultantes al aplicar el algoritmo de fusión propuesto. La comparación entre ambas escenas, para cada una de las bandas, evidencia la mejora visual proporcionada por el proceso de fusión de las imágenes originales. B1 B2 B3 B4 B5 B7 B1 0.9143 0.8922 0.8441 0.0152 0.5875 0.6461 B2 0.9139 0.9366 0.9019 0.1077 0.6697 0.7105 Imagen Fusionada B3 B4 B5 0.8943 0.0155 0.6238 0.9327 0.1070 0.6938 0.9686 0.1080 0.7652 0.1125 0.9300 0.3510 0.7638 0.3364 0.9704 0.8166 0.1551 0.9056 B7 0.6857 0.7362 0.8182 0.1618 0.9057 0.9705 COCLUSIOES La aplicación de AG como método de optimización para el proceso de fusión de imágenes basado en el MML, evidencia muy buenos resultados visuales, proporcionando un mejor detalle de la imagen bajo análisis. Esto queda evidenciado en los altos valores de correlación entre las mismas bandas de cada imagen. El MML tiende a que los resultados de la imagen fusionada además mantengan las características espectrales de la IBRE. El criterio de detención del AG planteado en la ecuación (6) asegura que no existe una convergencia acelerada del algoritmo. Son resultados obtenidos, a pesar de ser de características preliminares, muestran una mejora visual de las imágenes. AGRADECIMIETOS Nuestro agradecimiento a la Comisión Interministerial de Ciencia y Tecnología de España que ha financiado este trabajo dentro del proyecto de investigación TIC99-0930. REFERECIAS Lillo, M. Gonzalo, C. Arquero, A. Martinez, E. “Fusión de datos Landsat ETM+ para la obtención de imágenes de alta resolución espacial y espectral mediante Simulated Annealing”. X SELPER, Cochabamba, Bolivia Nov. del 2002. Pradines, D. (1986), “Improving SPOT images size and multispectral resolution”. Proceedings of the SPIE: Vol 660, pp. 98-102. Rothlauf, F. “Representations for Genetic and evolutionary Algorithms”. Physica-Verla. A SpringerVerlag Company, ISSN: 1434-9922, ISBN: 3-79081496-2 Physica-Verlag Heidelberg New York. Wald, L. “Some Term of Reference in Data Fusion”. IEEE Transaction on Geoscience and Remote Sensing, Vol. 37 Nº3 pp: 1190 - 1193, MAY 1999.